我正在使用nokogiri解析一个html文件并对其进行修改，然后将其输出到如下文件：
htext= File.open(inputOpts.html_file).read
h_doc = Nokogiri::HTML(htext)
File.open(outputfile, 'w+') do |file|
file.write(h_doc)
end
输出文件包含第一行：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
我不想这样，因为我将html嵌入到另一个文件中，而这个标记会导致问题。
问题是如何将其从h_doc中删除。
根据您要做的操作，您可以将HTML解析为DocumentFragment:
h_doc = Nokogiri::HTML::DocumentFragment.parse(htext)
在片段上调用to_s或to_html时，doctype行将被省略，Nokogiri添加的<html>和<body>标记（如果它们还不存在）也将被省略。
这取决于您的需求。如果你只需要身体，那么
h_doc.at_xpath("//body") #this will just pull the data from the <body></body> tags
如果你也需要收集<head>，只需要避开<DOCTYPE>，那么
#this will capture everything between the <head></head> and <body></body> tags
h_doc.xpath("//head") + h_doc.xpath("//body")
所以像这个
h_doc = Nokogiri::HTML(open(input_opts.html_file))
File.open(outputfile,'w+') do |file|
#for just <body>
file << h_doc.at_xpath("//body").to_s
#for <head> and <body>
file << (h_doc.xpath("//head") + h_doc.xpath("//body")).to_s
end
注意，对于body，我使用了#at_xpath，因为这将返回Nokogiri::Element，但在组合它们时，我使用#xpath，因为这会返回Nokogiri::XML::NodeSet。无需担心，这部分只是用于组合，html将显示相同的结果，例如h_doc.at_xpath("//head").to_s == h_doc.xpath("//head").to_s #=> true
读取输入文件时可以忽略第一行：
htext= File.readlines(inputOpts.html_file)[1..-1].join
h_doc = Nokogiri::HTML(htext)
File.open(outputfile, 'w+') do |file|
file.write(h_doc)
end
我设法用HTML::Document和HTML::DocumentFragment解决了这个问题。
-
作为背景，我使用Nokogiri来解析和修改HTML的"模板"、"部分"和/或"组件"。这意味着我遇到的文件不是有效的HTML文档。相反，它们是HTML文档的一部分，由我使用的框架组合在一起。
-
作为参考，
HTML::Document添加了<!DOCTYPE>声明，如果文档中还没有<html>和<body>实体，则还会将文档包装为它们。类似地，HTML::DocumentFragment将用<p>实体包裹您的片段。
与其花太多时间挖掘Nokogiri库代码来了解这些额外的实体在哪里，我决定接受这种固执己见的实现并围绕它工作
解决方案
以下是我如何写出修改后的HTML:
html_str = doc.xpath("//body").children.to_html(encoding: 'UTF-8')
File.open(_filename, 'w') {|f| f.write(html_str)}
词尾词
这似乎比应该的更难。我甚至尝试使用SaveOptions设置save_with: Nokogiri::XML::Node::SaveOptions::NO_DECLARATION，但没有成功。
无论如何，虽然这个解决方案对我来说有点草率，但它确实有效。